| 講演名 | 2023-01-19 UMa環境における建物情報を用いた多入力RNNによる伝搬損失予測 佐々木 元晴(NTT), 澁谷 尚希(NTT), 河村 憲一(NTT), 久野 伸晃(NTT), 猪又 稔(NTT), 山田 渉(NTT), 守山 貴庸(NTT), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 深層学習としてRNN（Recurrent Neural Network）の一つであるGRUを用いた5秒後の電波伝搬損失の予測を行う多入力RNNモデルについて報告する．多入力RNNモデルの入力情報として，移動端末の直近の伝搬損失の時系列データ，現在位置の周辺建物情報，予測対象位置の周辺建物情報を用いる．訓練データおよび検証データは神奈川県横須賀市において面的に測定した2.2GHz，4.7GHz，および26.4GHzの伝搬損失である．提案モデルにより，検証データに対する予測結果のRMSEは2.2GHz，4.7GHz，26.4GHzでそれぞれ3.6dB，3.8dB，3.7dBとなり，建物情報のみを用いるDNNモデル，直近の伝搬損失のみを用いるRNNモデルより予測精度を改善した． |
| 抄録(英) | We report a multi-input RNN model that predicts path loss after 5 seconds using GRU (Gated Recurrent Unit), which is one of RNN (Recurrent Neural Network), as deep learning. As the input information for the multi-input RNN model, we use the time-series data of the latest path loss of the mobile terminal, the surrounding building information of the current position, and the surrounding building information of the prediction target position. The training data and validation data are the path loss measured in Yokosuka City, Kanagawa Prefecture, and the measurement frequencies are 2.2 GHz, 4.7 GHz, and 26.4 GHz. With the proposed model, the RMSE of the prediction results for the validation data was 3.6 dB, 3.8 dB, and 3.7 dB at 2.2 GHz, 4.7 GHz, and 26.4 GHz, respectively. The proposed model can improve the prediction accuracy compared to DNN (deep neural network) model using only building information and the RNN model using only the latest path loss. |
| キーワード(和) | 深層学習 / RNN / GRU / 電波伝搬損失 / 将来予測 / 自動運転車 |
| キーワード(英) | Deep learning / RNN / GRU / path loss / proactive prediction / connected car |
| 資料番号 | AP2022-180 |
| 発行日 | 2023-01-12 (AP) |
| 研究会情報 | |
| 研究会 | AP / WPT |
|---|---|
| 開催期間 | 2023/1/19(から2日開催) |
| 開催地（和） | 広島工業大学広島校舎 |
| 開催地（英） | Hiroshima Institute of Technology |
| テーマ（和） | 電波伝搬・無線電力伝送・一般 |
| テーマ（英） | Radio propagation, Wireless transmission technology, Antennas and Propagation |
| 委員長氏名（和） | 山田 寛喜(新潟大) / 西川 健二郎(鹿児島大) |
| 委員長氏名（英） | Hiroshi Yamada(Niigata Univ.) / Kenjiro Nishikaa(Kagoshima Univ.) |
| 副委員長氏名（和） | 藤元 美俊(福井大) / 平山 裕(名工大) |
| 副委員長氏名（英） | Mitoshi Fujimoto(Fukui Univ) / Hiroshi Hirayama(Nagoya Inst. of Tech.) |
| 幹事氏名（和） | 道下 尚文(防衛大) / 紀平 一成(三菱電機) / 花澤 理宏(UL Japan) / 居村 岳広(東京理科大) |
| 幹事氏名（英） | Naobumi Michishita(National Defense Academy) / Kazunari Kihira(Mitsubishi Electric) / Masahiro Hanazawa(UL Japan) / Takehiro Imurai(Tokyo Univ. of Science) |
| 幹事補佐氏名（和） | 村上 友規(NTT) / 鈴木 麻子(富士ウェーブ) / 田中 勇気(パナソニック) |
| 幹事補佐氏名（英） | Tomoki Murakami(NTT) / Asako Suzuki(Fujiwaves) / Yuki Tanaka(Panasonic) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Antennas and Propagation / Technical Committee on Wireless Power Transfer |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | UMa環境における建物情報を用いた多入力RNNによる伝搬損失予測 |
| サブタイトル（和） | |
| タイトル（英） | Multi-Input RNN Based Proactive Prediction of Path Loss using Building Information in UMa Environments |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 深層学習 / Deep learning |
| キーワード(2)（和/英） | RNN / RNN |
| キーワード(3)（和/英） | GRU / GRU |
| キーワード(4)（和/英） | 電波伝搬損失 / path loss |
| キーワード(5)（和/英） | 将来予測 / proactive prediction |
| キーワード(6)（和/英） | 自動運転車 / connected car |
| 第 1 著者 氏名（和/英） | 佐々木 元晴 / Motoharu Sasaki |
| 第 1 著者 所属（和/英） | NTT(略称：NTT) NTT(略称：NTT) |
| 第 2 著者 氏名（和/英） | 澁谷 尚希 / Naoki Shibuya |
| 第 2 著者 所属（和/英） | NTT(略称：NTT) NTT(略称：NTT) |
| 第 3 著者 氏名（和/英） | 河村 憲一 / Kenichi Kawamura |
| 第 3 著者 所属（和/英） | NTT(略称：NTT) NTT(略称：NTT) |
| 第 4 著者 氏名（和/英） | 久野 伸晃 / Nobuaki Kuno |
| 第 4 著者 所属（和/英） | NTT(略称：NTT) NTT(略称：NTT) |
| 第 5 著者 氏名（和/英） | 猪又 稔 / Minoru Inomata |
| 第 5 著者 所属（和/英） | NTT(略称：NTT) NTT(略称：NTT) |
| 第 6 著者 氏名（和/英） | 山田 渉 / Wataru Yamada |
| 第 6 著者 所属（和/英） | NTT(略称：NTT) NTT(略称：NTT) |
| 第 7 著者 氏名（和/英） | 守山 貴庸 / Takatsune Moriyama |
| 第 7 著者 所属（和/英） | NTT(略称：NTT) NTT(略称：NTT) |
| 発表年月日 | 2023-01-19 |
| 資料番号 | AP2022-180 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | AP-339 |
| ページ範囲 | pp.18-23(AP), |
| ページ数 | 6 |
| 発行日 | 2023-01-12 (AP) |